Explainable Machine Learning for Simultaneous Prediction of Soil Texture and Gravimetric Water Content: A SHAP-Driven Multi-Model Framework
Chetana Shivanagi · Shivayogi Ullagaddi
提出可解释机器学习框架，同时预测土壤质地和含水量，提升模型透明度和可信度。
使用XGBoost、CatBoost、随机森林，结合SHAP进行局部和全局解释。
随机森林表现最佳，CEC和有机质是关键特征，与土壤物理规律一致。
可探索将SHAP解释与因果推断结合，或扩展到其他土壤属性及动态预测，增强模型泛化性。
研究提出可解释的机器学习框架，同时预测土壤质地与含水量，提升模型透明度，对精准农业有实质贡献。
土壤质地与重量含水量（GWC）是精准灌溉和可持续土地管理中需精确测定的重要属性。尽管机器学习（ML）增强了预测土壤计量学（pedometrics）的能力，但许多高性能算法被描述为“黑箱”，实践者往往不愿信任模型，也难以将模型输出与土壤物理学联系起来。此外，现有方法大多假设待预测属性之间相互独立，未考虑其物理关系。本研究旨在通过提出一种稳健的多模型方法，同时预测土壤质地和GWC，以填补这些空白。研究使用了多种数据评估先进算法，如XGBoost、CatBoost和随机森林（Random Forest）。然而，为实现局部和全局可解释性，我们整合了Shapley加法解释（SHAP）。这种基于可解释人工智能（XAI）的方法弥合了计算智能与土壤物理学之间的鸿沟，能够对不同特征的贡献进行细粒度诊断。结果表明，随机森林框架在并发性能上表现优异，土壤质地的R²值为0.908，准确率为90.8%，Cohen's Kappa系数为0.82，GWC的R²值为0.798。通过SHAP分析，阳离子交换量（CEC）和有机质百分比（OMP）被识别为最具影响力的两个特征，且它们对水分保持阈值的影响最大，其中CEC是区分黏土和砂土质地类别的最具判别力的特征，这与已知土壤学知识下模型的效度相吻合。这种对关键土壤属性的透明性和同步监测，使其成为精准农业及气候变化背景下资源管理的理想解决方案。